فلش‌کارت‌های آموزشی مقدمه‌ای عملی بر الگوریتم‌های یادگیری با تنسورفلو

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مقدمه‌ای عملی بر الگوریتم‌های یادگیری با تنسورفلو

موضوع کلی: یادگیری ماشین با تنسورفلو

موضوع میانی: الگوریتم‌های یادگیری

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی یادگیری ماشین
• 2. نصب و راه‌اندازی تنسورفلو
• 3. مقدمه‌ای بر تنسورها
• 4. عملیات پایه تنسور
• 5. مقدمه‌ای بر گراف‌های اجرایی
• 6. اجرای تنسورفلو
• 7. تابع‌نویسی و کامپایل کردن
• 8. مقدمه‌ای بر شبکه‌های عصبی
• 9. انواع شبکه‌های عصبی
• 10. تابع فعال‌سازی
• 11. تابع هزینه
• 12. بهینه‌سازی گرادیان نزولی
• 13. گرادیان نزولی دسته‌ای
• 14. گرادیان نزولی تصادفی
• 15. گرادیان نزولی مینی‌بچ
• 16. تنظیم نرخ یادگیری
• 17. مقدمه‌ای بر رگرسیون خطی
• 18. پیاده‌سازی رگرسیون خطی در تنسورفلو
• 19. مقدمه‌ای بر طبقه‌بندی
• 20. رگرسیون لجستیک
• 21. پیاده‌سازی رگرسیون لجستیک در تنسورفلو
• 22. مقدمه‌ای بر شبکه‌های عصبی چند لایه
• 23. پیاده‌سازی شبکه‌های عصبی چند لایه در تنسورفلو
• 24. طبقه‌بندی چند کلاسه
• 25. تابع Softmax
• 26. پیاده‌سازی طبقه‌بندی چند کلاسه در تنسورفلو
• 27. مقدمه‌ای بر طبقه‌بندی با شبکه‌های عصبی کانولوشنال (CNN)
• 28. لایه‌های کانولوشنال
• 29. لایه‌های Pooling
• 30. پیاده‌سازی CNN ساده در تنسورفلو
• 31. مجموعه داده MNIST
• 32. آموزش CNN بر روی MNIST
• 33. ارزیابی مدل CNN
• 34. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 35. سلول‌های RNN ساده
• 36. پیاده‌سازی RNN ساده در تنسورفلو
• 37. مجموعه داده‌های سری زمانی
• 38. آموزش RNN بر روی داده‌های سری زمانی
• 39. مقدمه‌ای بر شبکه‌های حافظه طولانی کوتاه (LSTM)
• 40. سلول‌های LSTM
• 41. پیاده‌سازی LSTM در تنسورفلو
• 42. کاربرد LSTM در پردازش زبان طبیعی
• 43. مقدمه‌ای بر شبکه‌های حافظه کوتاه مدت (GRU)
• 44. سلول‌های GRU
• 45. پیاده‌سازی GRU در تنسورفلو
• 46. مقایسه LSTM و GRU
• 47. مقدمه‌ای بر شبکه‌های عصبی مولد (GAN)
• 48. معماری GAN
• 49. آموزش GAN
• 50. کاربرد GAN در تولید تصویر
• 51. مقدمه‌ای بر یادگیری تقویتی
• 52. مفهوم عامل و محیط
• 53. مفهوم پاداش و سیاست
• 54. الگوریتم Q-Learning
• 55. پیاده‌سازی Q-Learning در تنسورفلو
• 56. مقدمه‌ای بر یادگیری عمیق
• 57. مبانی یادگیری عمیق
• 58. مفاهیم پیشرفته یادگیری عمیق
• 59. مقدمه‌ای بر تنسورفلو 2.0
• 60. Eager Execution
• 61. API Keras
• 62. ساخت مدل‌های ترتیبی با Keras
• 63. ساخت مدل‌های تابعی با Keras
• 64. کامپایل کردن مدل در Keras
• 65. آموزش مدل در Keras
• 66. ارزیابی مدل در Keras
• 67. پیش‌بینی با مدل در Keras
• 68. ذخیره و بارگذاری مدل
• 69. استفاده از لایه‌های سفارشی
• 70. استفاده از تابع هزینه سفارشی
• 71. استفاده از بهینه‌ساز سفارشی
• 72. تنظیم ابرپارامترها
• 73. اعتبارسنجی متقابل
• 74. کاهش بیش‌برازش (Overfitting)
• 75. تکنیک‌های تنظیم (Regularization)
• 76. Dropout
• 77. Batch Normalization
• 78. Early Stopping
• 79. Data Augmentation
• 80. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 81. نمایش متن به صورت برداری
• 82. Word Embeddings (Word2Vec, GloVe)
• 83. استفاده از Embedding Layer در Keras
• 84. مدل‌های زبانی
• 85. کاربرد RNN در NLP
• 86. کاربرد LSTM در NLP
• 87. کاربرد GRU در NLP
• 88. مقدمه‌ای بر Attention Mechanism
• 89. Transformer Networks
• 90. مقدمه‌ای بر بینایی ماشین
• 91. پردازش تصویر
• 92. استخراج ویژگی
• 93. CNN برای طبقه‌بندی تصویر
• 94. Object Detection
• 95. Segmentation
• 96. استفاده از Transfer Learning
• 97. مقدمه‌ای بر مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 98. Fine-tuning مدل‌های پیش‌آموزش‌دیده
• 99. مقدمه‌ای بر توابع فعال‌سازی غیرخطی
• 100. ReLU